多尺度语义特征水下图像增强研究

针对水下武器图像对比度低,细节模糊等问题,提出多尺度语义特征水下图像增强算法。该算法将编码解码结构作为主框架结合多尺度语义特征模块使不同尺度信息融合,提升网络对语义信息的感知能力;同时,将注意力机制引入多尺度融合模块与生成模块中,加强网络提取不同像素特征的能力;此外,构造高斯金字塔函数,结合全局相似性、WGAN、VGG19色彩感知损失函数增强图像。实验结果表明,该算法相比较UDCP、fusion、UWCNN、UGAN算法在水下图像颜色质量评价与峰值信噪比整体上平均提升0.0719与17.0198;自然图像评价整体上下降0.0135。

语义拉普拉斯金字塔多中心乳腺肿瘤分割网络

目的乳腺肿瘤分割对乳腺癌的辅助诊疗起着关键作用,但现有研究大多集中在单中心数据的分割上,泛化能力不强,无法应对临床的复杂数据。因此,本文提出一种语义拉普拉斯金字塔网络(semantic Laplacian pyramids network, SLAPNet),实现多中心数据下乳腺肿瘤的准确分割。方法 SLAPNet主要包含高斯金字塔和语义金字塔两个结构,前者负责得到多尺度的图像输入,后者负责提取多尺度的语义特征并使语义特征能在不同尺度间传播。结果网络使用Dice相似系数(Dice similarity coefficient, DSC)作为优化目标。为了验证模型性能,采用多中心数据进行测试,与Attention UNet、PSPNet(pyramid scene parsing network)、UNet 3+、MSDNet(multiscale dual attention network)、PyConvUNet(pyramid convolutional network)等深度学习模型进行对比,并利用DSC和Jaccard系数(Jaccard coefficient, JC)等指标进行定量分析。使用内部数据集测试时,本文模型乳腺肿瘤分割的DSC为0.826;使用公开数据集测试时,DSC为0.774,比Py Conv UNet提高了约1.3%,比PSPNet和UNet3+提高了约1.5%。结论本文提出的语义拉普拉斯金字塔网络,通过结合多尺度和多级别的语义特征,可以在多中心数据上准确实现乳腺癌肿瘤的自动分割。